古文字识别笔记

前置知识

• 部件：大部分的汉字是由若干组笔画结构拼合而成的，这些相对独立的笔画结构称为「部件」。 部件是大于基本笔画（例如：点、横、撇、捺等）而小于或等同于 偏旁 的结构单位。 例如「测」字有三个部件：「氵」、「贝」和「刂」
• 异体字：跟国家规定的正体字（标准字体）字音和字义相同而字形不同的一组字
• 长尾效应：类别数量严重不平衡

研究现状

研究意义及主要创新点

• 存在的问题

  • 异体字

  • 相似文字
    

  • 现有数据集小

  • 长尾效应
    对于样本数量不足的数据，“数据重构”
    对于样本数量超过阈值上限的数据，采取随机采样方法

研究方法及技术路线